(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110412406.0 (22)申请日 2021.04.16 (65)同一申请的已公布的文献号 申请公布号 CN 113127973 A (43)申请公布日 2021.07.16 (73)专利权人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路2号湖南大 学 (72)发明人 徐世伟　蔡勇　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 刘文博 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06F 111/06(2020.01) G06F 113/26(2020.01)(56)对比文件 CN 107563080 A,2018.01.09 CN 111563347 A,2020.08.21 CN 108897944 A,2018.1 1.27 CN 109635473 A,2019.04.16 US 2010179794 A1,2010.07.15 CN 112115579 A,2020.12.2 2 WO 2019070 644 A2,2019.04.1 1 CN 10749159 9 A,2017.12.19 US 20193 03531 A1,2019.10.0 3 US 2020210 542 A1,2020.07.02 US 2018168438 A1,2018.0 6.21 US 2020380080 A1,2020.12.0 3 KR 20020045577 A,2002.06.19 易少强等.粒子 群算法在约束型垫高阻尼结 构动力学优化中的应用. 《中国舰船研究》 .2018, (第01期),全 文. (续) 审查员 夏容 (54)发明名称 基于CAE仿真技术的多材料智能选材方法、 系统及电子设备 (57)摘要 本发明公开了一种基于CAE仿真技术的多材 料智能选 材方法、 系统及电子设备， 该方法包括： 嵌入选材对象的初始CAE模型， 并从材料数据库 中获取与目标材料性能参数匹配的备选材料， 构 建初始材料集； 根据预设优化参数、 初始材料集 和初始CAE模型构建拓扑优化模型并对模型求 解， 获得优化结果； 根据优化结果构建CA E模型集 合， 并根据CA E模型集合包含的每个CAE模型中的 材料属性构建中间材料集； 根据CAE模型集合和 中间材料集进行多维度指标评价， 获取含标记的 目标材料集； 根据目标材料集构建单目标优化设 计模型并对模 型求解， 根据求解得到的最优求解 结果确定选材方案。 本发明实现了智能选材以及 选材方案的智能生成， 提高了选材效率， 以及降低了选材成本 。 [转续页] 权利要求书3页 说明书9页 附图5页 CN 113127973 B 2022.05.10 CN 113127973 B (56)对比文件 路小江等.基 于粒子群算法的注塑产品厚度 与成型工艺 参数的多目标集成优化. 《塑料》.2008,(第01期),全 文. 周晔欣等.复合材 料结构力学分析CAE软件 现状. 《应用力学 学报》 .2020,(第01期),全 文.2/2 页 2[接上页] CN 113127973 B1.一种基于 CAE仿真技术的多材 料智能选材 方法， 其特 征在于， 包括： 嵌入选材对象的初始CAE模型， 并从预设材料数据库中获取与目标材料性能参数匹配 的备选材 料， 构建初始材 料集； 根据预设优化参数、 所述初始材料集和所述初始CAE模型构建拓扑优化模型， 并对所述 拓扑优化模型进行求 解获得优化结果； 根据所述优化结果构建CAE模型集合， 并根据所述CAE模型集合包含 的每个CAE模型中 的材料属性构建中间材 料集； 根据所述CAE模型集合和所述中间材料集进行多维度指标评价， 获取含标记的目标材 料集； 所述标记为各维度指标对应的权 重因子； 根据所述目标材料集构建单目标优化设计模型并对模型求解， 根据求解得到的最优求 解结果确定选材方案； 该步骤包括： 根据所述 目标材料集和各所述维度指标 的权重因子构 建单目标优化设计模型； 所述单目标优化设计模型为： 其中， ρ(x1,x2,Λ,xn)为单目标优化设计模型， g(yi)(i＝1,2,Λ,m)为设计目标的目标 值与当前值的差值的绝对值， β 为光滑因子， n为设计变 量xi的数量， m为设计目标yi的数量， g (yi)为： g(yi)＝|Vi‑Ri|， 其中， Vi为设计目标的目标值， Ri为设计目标的当前值； 通过启发式优化算法对所述单目标优化设计模型进行求解， 得到所述最优求解结果； 所述启发式优化 算法为粒子群优化 算法， 该步骤 包括： 通过粒子群优化 算法获取 所述单目标优化设计模型中的最佳当前值； 检测所述 最佳当前值对应的选材 方案是否为可满足方案； 若为不满足方案， 则获取所有不满足方案中的设计约束和设计目标， 并获取最佳目标 值； 判断当前迭代次数 是否小于或等于预设迭代阈值； 若是， 返回步骤： 通过粒子群优化算法获取所述单目标优化设计模型中的最佳当前值； 若否， 确定无最优求 解结果。 2.如权利要求1所述的基于CAE仿真技术的多材料智能选材方法， 其特征在于， 所述预 设优化参数包含优化约束和优化目标； 所述根据 预设优化参数、 所述初始材料集和所述初始CAE模型构建拓扑优化模型， 并对 所述拓扑优化模型进行求 解获得优化结果， 包括： 设定优化约束； 所述优化约束包括所述选材对象的钢度约束、 强度约束； 设定优化目标； 所述优化目标包括所述选材对象的体积最大、 重量最轻、 材料分布最 佳； 根据所述初始材料集修改所述初始CAE模型中的材料属性， 并根据所述优化约束和所 述优化目标构建M个拓扑优化模型； 对各所述拓扑优化模型进行求 解， 获得对应的优化结果。 3.如权利要求1所述的基于CAE仿真技术的多材料智能选材方法， 其特征在于， 所述根 据所述CAE模 型集合和所述中间材料集进 行多维度指标评价， 获取含标记的目标材料集， 包权　利　要　求　书 1/3 页 2 CN 113127973 B 3